Estimating the integrated volatility using high-frequency data with zero durations
存在零时间间隔的高频数据下积分波动率估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究含微观结构噪声和零时间间隔的高频数据，以及积分波动率的预平均估计。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
存在零时间间隔的高频数据下积分波动率估计
- 研究问题
- 高频数据同时存在微观结构噪声和同一记录时点的多笔观测时，预平均估计能否一致估计积分波动率并保持效率？
- 方法与思路
- 作者分析多重观测下预平均估计量的一致性和渐近分布，并将其与已知全部交易精确时间的理想估计量比较。
- 材料陈述的贡献
- 摘要称，多重观测下预平均估计仍然一致，且达到所述理想估计量的相同渐近效率；模拟和真实数据分析提供说明。
- 阅读关注点
- 应核对零时间间隔及多重观测的建模方式、噪声和采样条件，以及相同渐近效率结论所采用的基准与缩放。
- 阅读边界
- 所给出版社摘要未说明噪声依赖、交易时间机制和调参要求；相同渐近效率不意味着所有有限样本或数据处理方式均等效。
原文摘要
In estimating integrated volatility using high-frequency data, it is well documented that the presence of microstructure noise presents a major challenge. Recent literature has shown that the presence of multiple observations, a common feature in datasets, brings additional difficulty. In this study, we show that the preaveraging estimator is still consistent under multiple observations, and the related asymptotic distribution of the estimator is established. We also show that the preaveraging estimator based on multiple observations achieves the same asymptotic efficiency as the “ideal” estimator that assumes we know the exact trading times of all transactions. Simulation studies support the theoretical results, and we also illustrate the estimator using real data analysis.